CPM

데이터 사이언티스트

비즈니스 문제를 데이터 질문으로 바꾸고, 분석에 더해 머신러닝 모델까지 직접 설계·개발해 답을 내는 직무입니다. 석사 이상을 선호하는 곳이 많아 학사 신입은 데이터 분석가로 시작해 전환하는 경로가 현실적입니다.

최종 업데이트 2026-08-24

01

데이터 사이언티스트는 어떤 일을 하나요

데이터 사이언티스트는 데이터가 말하는 것을 결정으로 연결하는 사람입니다. 데이터 분석가가 SQL과 통계로 인사이트를 뽑는다면, 데이터 사이언티스트는 거기에 머신러닝·딥러닝 모델을 직접 설계하고 개발하는 역할까지 더해 더 넓은 범위를 맡습니다.

먼저 학력 현실을 짚고 시작하겠습니다. 이 직무는 다른 IT 직무와 달리 문턱이 있습니다. 수학·통계·산업공학·컴퓨터과학 계열의 석사 이상 또는 수년간의 경력을 요구하는 곳이 많고, 순수 신입 공채는 적으며 인턴이나 석사 채용이 흔합니다. 학사 졸업으로 바로 이 직함을 노리는 건 확률이 낮습니다.

그래서 현실적인 경로는 두 가지입니다. 하나는 대학원에 진학해 연구 경험과 학위를 갖추는 것, 다른 하나는 데이터 분석가로 입사해 SQL과 도메인을 익히면서 모델링 업무로 범위를 넓혀 전환하는 것입니다. 후자가 학사 신입에게는 훨씬 열려 있는 길이고, 준비하는 내용도 상당 부분 겹칩니다.

최근 가장 빠르게 변하는 건 생성형 AI입니다. LLM 활용과 RAG 파이프라인 구축 같은 역량이 붙으면 프리미엄이 생기고, 공고 문구도 'AI 경험 우대'에서 'AI 경험 필수'로 바뀌는 중입니다. 전통적인 SQL·Python·통계 위에 이 축을 하나 더 올린다고 생각하면 됩니다.

하루 업무는 대략 이렇습니다

  • 현업의 문제를 데이터로 풀 수 있는 질문으로 다시 정의한다
  • SQL로 데이터를 뽑고 탐색·정제한다
  • 가설을 세우고 통계적으로 검증한다
  • 머신러닝 모델을 설계·학습시키고 성능을 평가한다
  • 모델을 서비스에 적용하고 결과를 비전공자에게 설명한다

02

필요한 핵심 역량과 기술 스택

필수는 없으면 서류에서 걸러지는 항목, 권장은 대부분의 합격자가 갖추는 항목, 우대는 있으면 확실히 차별화되는 항목입니다.

필수 3종

이 직무 공고의 전통적인 공통 요건입니다. 생성형 AI가 아무리 주목받아도 이 셋이 먼저입니다.

  • SQL필수

    데이터를 직접 뽑아오는 출발점입니다. 조인과 집계는 물론 윈도우 함수까지 자유롭게 써야 합니다.

  • Python필수

    탐색·정제·분석부터 모델 구현·학습·서비스 적용까지 전 과정을 Python으로 합니다. pandas·numpy 생태계에 익숙해야 합니다.

  • 통계학필수

    분포, 가설검정, 신뢰구간, 표본. 모델 결과가 우연인지 아닌지 판단하는 근거가 여기서 나옵니다.

머신러닝 · 딥러닝

모델을 직접 설계하고 개발한다는 점이 데이터 분석가와의 결정적 차이입니다.

  • scikit-learn필수

    정형 데이터 문제에서 여전히 주력입니다. 전처리부터 교차검증까지 파이프라인으로 구성할 수 있어야 합니다.

  • 모델 평가와 검증필수

    지표 선택, 교차검증, 데이터 누수 방지. 정확도 숫자보다 이 설계가 먼저 검증됩니다.

  • PyTorch / TensorFlow권장

    비정형 데이터를 다루거나 딥러닝이 필요한 문제에서 씁니다. 하나를 골라 직접 모델을 짜본 경험이 필요합니다.

  • 수학 기초권장

    선형대수, 미적분, 확률. 논문을 읽거나 모델 동작을 이해하는 데 필요합니다.

생성형 AI (필수로 바뀌는 중)

'AI 경험 우대'에서 '필수'로 문구가 옮겨가고 있는 영역입니다. 지금 챙기면 프리미엄이 붙습니다.

  • LLM 활용권장

    API를 붙여 문제를 푸는 능력, 프롬프트 설계, 출력의 신뢰도를 검증하는 방법.

  • RAG 파이프라인권장

    임베딩과 벡터 검색으로 외부 지식을 붙이는 구조. 공고에서 직접 언급되기 시작했습니다.

  • 파인튜닝우대

    필요한 상황과 아닌 상황을 구분하는 판단이 먼저입니다. 무조건 파인튜닝하는 건 대개 답이 아닙니다.

전달 · 도메인 · 우대

  • 커뮤니케이션필수

    분석 결과를 비전공자에게 명확히 설명하는 능력이 공고에 직접 요구됩니다. 모델이 좋아도 설득이 안 되면 쓰이지 않습니다.

  • 도메인 지식권장

    금융·핀테크·이커머스·모빌리티 등 지원 산업의 구조 이해. 우대사항에 자주 등장합니다.

  • 모델 서비스 적용 경험우대

    실제 서비스에 모델을 태워본 경험. 단순 분석 반복보다 훨씬 높이 평가됩니다.

  • 최적화 라이브러리 (Gurobi · OR-Tools)우대

    가격 결정, 배차, 재고 같은 최적화 문제를 다루는 팀에서 요구합니다.

03

우대 자격증과 경험

자격증은 실력을 대신하지 못하지만 서류 통과와 학습 커리큘럼에는 도움이 됩니다. 우선순위를 보고 고르세요.

관련 분야 석사 이상

권장

자격증은 아니지만 이 직무에서 가장 큰 가중치를 갖는 요소입니다. 수학·통계·산업공학·컴퓨터과학 계열 석사 이상을 요구하거나 우대하는 공고가 많고, 신입 채용 상당수가 석사 대상입니다. 학사로 바로 지원할 계획이라면 이 격차를 데이터 분석가 경력과 결과물로 메워야 합니다.

ADsP · ADP (데이터분석 준전문가 / 전문가)

우대

ADsP는 개념 정리용으로 무난합니다. ADP는 난도가 높고 실무 경력자 대상에 가까워 신입 단계에서는 우선순위가 낮습니다.

공식 사이트 →

SQLD (SQL 개발자)

우대

SQL이 필수 3종에 들어가는 만큼 정리하는 계기로 좋습니다. 기간이 짧아 가성비가 좋습니다.

공식 사이트 →

빅데이터분석기사

우대

국가기술자격이라 공공기관·공기업 데이터 직군에서 가점이 되는 경우가 있습니다. 사기업에서는 영향이 크지 않습니다.

공식 사이트 →

Kaggle 성적

우대

메달권이면 학위 격차를 일부 메우는 근거가 됩니다. 다만 참가 이력 자체는 의미가 없고, 어떤 가설을 세우고 무엇을 시도했는지 설명할 수 있어야 합니다.

공식 사이트 →

평가에 도움이 되는 경험

데이터 분석가로서의 실무 경력

학사 신입에게 가장 현실적인 통로입니다. SQL과 도메인을 익히면서 모델링으로 범위를 넓히면 전환이 자연스럽습니다.

연구실 경험 · 논문

석사 과정이나 학부 연구생 경험. 문제를 스스로 정의하고 끝까지 검증해본 이력이 이 직무와 잘 맞습니다.

비즈니스 문제를 모델로 푼 경험

단순 분석 반복보다 훨씬 높이 평가됩니다. 무엇을 문제로 정의했고 그 결정이 무엇을 바꿨는지가 핵심입니다.

실제 서비스에 모델을 적용한 경험

노트북에서 끝난 모델과 서비스에서 돌아간 모델은 다르게 평가됩니다.

도메인 경험

금융·이커머스·모빌리티 등 지원 산업에서의 인턴이나 프로젝트 경험은 우대사항에 직접 등장합니다.

04

신입이 준비하는 포트폴리오 형태

개수를 늘리는 것보다 하나를 끝까지 완성하는 편이 유리합니다. 체크리스트를 기준으로 완성도를 점검하세요.

문제 정의부터 비즈니스 임팩트까지 (핵심 1개)

심화

end-to-end 프로젝트 하나가 중심입니다. 데이터를 받아 모델을 돌린 기록이 아니라, 어떤 비즈니스 질문에서 출발했고 그것을 왜 모델로 풀기로 했으며 그 결과가 무엇을 바꿀 수 있는지까지 이어져야 합니다. 데이터 분석가 포트폴리오와 갈리는 지점이 바로 여기입니다.

  • 풀려는 비즈니스 질문을 한 문장으로 정의
  • 왜 이 문제를 ML로 푸는가에 대한 근거
  • 데이터 출처와 전처리 과정 (결측·이상치 처리 근거 포함)
  • 베이스라인부터 시작한 실험 기록 표
  • 평가 지표 선택 이유와 교차검증 설계
  • 결과를 비즈니스 언어로 번역한 결론
  • GitHub 노트북 + 읽기 쉬운 요약 문서

생성형 AI 프로젝트

심화

LLM이나 RAG를 활용한 프로젝트를 하나 붙입니다. 공고 문구가 우대에서 필수로 옮겨가는 중이라, 지금 준비해두면 같은 신입 사이에서 확실히 구분됩니다. 화려할 필요는 없고, 왜 이 문제에 LLM이 맞는지와 출력의 신뢰도를 어떻게 확인했는지가 핵심입니다.

  • LLM으로 푼 문제와 그 선택의 근거
  • RAG 구성 (임베딩·벡터 검색·프롬프트)
  • 출력 품질을 어떻게 평가했는지
  • 환각이나 실패 사례와 대응 방법
  • 비용과 응답 속도에 대한 고려

실데이터 분석 + 모델링 프로젝트

중급

교육용 데이터셋만으로는 변별력이 없습니다. 공공데이터포털이나 관심 산업의 공개 데이터를 써서, 지저분한 데이터를 다뤄본 흔적을 남기세요.

  • 실데이터 출처와 수집 방법
  • 지저분한 데이터를 정리한 과정
  • 탐색적 분석과 가설
  • 모델 결과에 대한 스스로의 비판적 검토

Kaggle 참가 기록 (선택)

중급

상위권이면 학위 격차를 일부 메웁니다. 순위가 낮아도 상위 솔루션과 본인 접근을 비교해 배운 점을 정리하면 자료가 됩니다.

  • 문제와 평가 지표 요약
  • 시도한 접근과 실패한 시도의 원인
  • 상위 솔루션 분석

05

추천 학습 순서

기간은 하루 3~4시간 기준의 대략적인 기준입니다. 이미 아는 단계는 건너뛰고, 순서만 지켜도 헤매는 시간이 크게 줄어듭니다.

  1. SQL

    1~2개월

    목표 — 여러 테이블을 조인해 원하는 지표를 뽑고, 윈도우 함수를 쓸 수 있다.

    • SELECT·JOIN·GROUP BY·HAVING
    • 서브쿼리와 CTE
    • 윈도우 함수 (ROW_NUMBER·RANK·LAG)
    • 코호트·리텐션 계산

    참고 자료

  2. 통계와 수학 기초

    2개월

    목표 — 숫자의 차이가 의미 있는 차이인지 판단할 수 있고, 모델 설명의 수식을 겁내지 않는다.

    • 기술통계, 분포, 표준편차
    • 표본과 모집단, 신뢰구간
    • 가설검정과 p값, A/B 테스트
    • 선형대수 기초, 미분과 경사하강법

    참고 자료

  3. Python 데이터 처리

    1~2개월

    목표 — 지저분한 데이터를 받아 분석 가능한 형태로 정리하고 시각화할 수 있다.

    • pandas: 필터링·그룹화·병합
    • 결측치·이상치 처리
    • matplotlib·seaborn으로 탐색
    • Jupyter Notebook 사용

    참고 자료

  4. 머신러닝

    2개월

    목표 — 정형 데이터 문제를 받아 전처리부터 학습·평가까지 스스로 진행할 수 있다.

    • 지도·비지도 학습
    • 과적합, 정규화, 교차검증
    • 트리·부스팅 계열 모델
    • 평가 지표 선택과 데이터 누수 방지

    참고 자료

  5. 딥러닝

    2개월

    목표 — PyTorch로 신경망을 직접 구성하고 학습 루프를 작성할 수 있다.

    • 신경망 구조와 역전파
    • PyTorch 텐서·모델·학습 루프
    • 관심 분야 선택 (비전 또는 NLP)
    • 전이학습과 사전학습 모델

    참고 자료

  6. 실데이터 모델링 프로젝트

    2개월

    목표 — 비즈니스 질문에서 출발해 모델로 답을 내는 전 과정을 혼자 해본다.

    • 문제 정의와 데이터 확보
    • 베이스라인부터 단계적 개선
    • 실험 결과 기록
    • 결과를 비즈니스 언어로 번역

    참고 자료

  7. 생성형 AI (LLM · RAG)

    1~2개월

    목표 — LLM을 문제 해결 도구로 쓰고, 출력의 신뢰도를 검증할 수 있다.

    • LLM API 연동과 프롬프트 설계
    • 임베딩과 벡터 검색
    • RAG 파이프라인 구성
    • 출력 평가와 환각 대응
    • 비용과 응답 속도 관리

    참고 자료

  8. 진로 정하기 + 지원 준비

    1~2개월

    목표 — 석사 진학과 분석가 우회 진입 중 방향을 정하고, 그에 맞춰 지원한다.

    • 도메인 정하고 그 산업의 지표 익히기
    • 포트폴리오 문서화와 발표 연습
    • 데이터 분석가 공고를 함께 지원
    • 석사 진학을 고려한다면 연구실·전형 조사

    참고 자료

    • [커뮤니티]국내 기업 데이터 조직 기술 블로그
    • [실습]SQL 실기 테스트 대비 연습

06

신입이 자주 하는 실수

준비 방향을 잘못 잡으면 들인 시간에 비해 결과가 안 나옵니다. 아래 항목에 해당하지 않는지 점검해 보세요.

  • 학사 신입으로 이 직함만 노리는 것. 석사 선호가 뚜렷하고 순수 신입 공채가 적습니다. 데이터 분석가 공고를 함께 지원해 전환 경로를 여는 편이 현실적입니다.
  • 모델 성능 숫자만 자랑하는 것. 데이터 분할이 잘못돼 있거나 누수가 있는 경우가 많고, 면접관은 그것부터 확인합니다.
  • SQL을 가볍게 보는 것. 필수 3종의 하나이고, 실무의 출발점은 항상 데이터를 직접 뽑는 일입니다.
  • 교육용 데이터셋(타이타닉·아이리스)만으로 포트폴리오를 채우는 것. 수천 명이 같은 데이터를 씁니다.
  • 생성형 AI를 건너뛰는 것. 공고 문구가 우대에서 필수로 옮겨가는 중이라, 지금 준비 안 하면 1~2년 뒤 격차가 벌어집니다.
  • 설명을 소홀히 하는 것. 결과를 비전공자에게 전달하는 능력이 공고에 직접 요구됩니다.

07

자주 묻는 질문

Q.학사 졸업으로 데이터 사이언티스트가 될 수 있나요?

불가능하지는 않지만 확률이 낮습니다. 수학·통계·산업공학·컴퓨터과학 계열 석사 이상 또는 수년 경력을 요구하는 공고가 많고, 신입 채용도 인턴이나 석사 대상이 흔합니다. 학사라면 데이터 분석가로 입사해 SQL과 도메인을 쌓고 모델링 업무로 범위를 넓혀 전환하는 경로가 현실적입니다. 준비 내용이 상당 부분 겹치기 때문에 시간이 낭비되지도 않습니다.

Q.데이터 분석가와 정확히 뭐가 다른가요?

분석가는 SQL과 통계로 인사이트를 도출해 의사결정을 돕는 데 무게가 있고, 사이언티스트는 거기에 머신러닝·딥러닝 모델을 직접 설계·개발하는 역할까지 더합니다. 커버 범위가 더 넓다고 보면 됩니다. 다만 회사마다 직무명 사용이 제각각이라, 이름보다 공고의 담당 업무와 자격 요건을 읽는 것이 정확합니다.

Q.생성형 AI를 꼭 준비해야 하나요?

준비하는 편이 좋습니다. LLM 활용이나 RAG 구축 경험이 붙으면 프리미엄이 생기고, 공고 문구가 'AI 경험 우대'에서 '필수'로 바뀌고 있습니다. 다만 순서는 지키세요. SQL·Python·통계라는 기본 3종을 갖춘 뒤에 올리는 축이지, 이것부터 시작하는 게 아닙니다.

Q.연봉은 어느 정도인가요?

채용 플랫폼 집계 기준으로 신입 초봉은 3,300만 원 안팎으로 일반 IT 직군과 비슷한 수준에서 시작합니다. 다만 4~5년차에 5,000만 원을 넘기며 상승 폭이 가파른 편입니다. 회사와 도메인에 따라 편차가 크니 개별 공고를 확인하세요.

Q.대학원에 가는 게 나을까요?

이 직무를 확실한 목표로 삼는다면 유효한 투자입니다. 학위 자체보다 연구 과정에서 문제를 정의하고 끝까지 검증해본 경험이 평가받습니다. 다만 2년의 기회비용이 있으니, 데이터 분석가로 먼저 취업해 실무를 겪어본 뒤 진학 여부를 판단하는 것도 합리적인 선택입니다.

이 직무로 내 로드맵 만들기

졸업까지 남은 기간과 지금 수준을 고르면, 위 학습 순서를 시기별 계획으로 나눠 드립니다. 결과는 링크로 그대로 공유할 수 있습니다.

데이터 사이언티스트 로드맵 만들기 →

함께 보면 좋은 직무

데이터 분석가

데이터를 뽑아 분석하고, 비즈니스 의사결정에 필요한 답을 찾아 설득력 있게 전달하는 직무입니다.

ML 엔지니어

머신러닝 모델을 개발하고, 실제 서비스에서 돌아가도록 배포·운영까지 책임지는 직무입니다.